importnumpyasnpa=np.array([[1357911][24681012]])# horizontal splittingprint('Splitting along horizontal axis into 2 parts:n'np.hsplit(a2))# vertical splittingprint('nSplitting along vertical axis into 2 parts:n'np.vsplit(a2))
Termin rozgłaszanie opisuje, w jaki sposób NumPy traktuje tablice o różnych kształtach podczas operacji arytmetycznych. Z zastrzeżeniem pewnych ograniczeń mniejsza tablica jest „rozgłaszana” w większej tablicy, tak aby miały kompatybilne kształty. Rozgłaszanie umożliwia wektoryzację operacji tablicowych, dzięki czemu pętle występują w języku C, a nie w Pythonie. Robi to bez tworzenia niepotrzebnych kopii danych i zwykle prowadzi do wydajnych implementacji algorytmów. Istnieją również przypadki, w których rozgłaszanie jest złym pomysłem, ponieważ prowadzi do nieefektywnego wykorzystania pamięci, co spowalnia obliczenia. Operacje NumPy są zwykle wykonywane element po elemencie, co wymaga, aby dwie tablice miały dokładnie ten sam kształt. Reguła nadawania Numpy'ego łagodzi to ograniczenie, gdy kształty tablic spełniają określone ograniczenia. Zasada nadawania: Aby rozgłosić rozmiar osi końcowych dla obu tablic w operacji, musi on być tego samego rozmiaru lub jedna z nich musi być jeden . Let us see some examples:
A(2-D array): 4 x 3 B(1-D array): 3 Result : 4 x 3
A(4-D array): 7 x 1 x 6 x 1 B(3-D array): 3 x 1 x 5 Result : 7 x 3 x 6 x 5
But this would be a mismatch:
A: 4 x 3 B: 4
The simplest broadcasting example occurs when an array and a scalar value are combined in an operation. Consider the example given below: Python
importnumpyasnpa=np.array([1.02.03.0])# Example 1b=2.0print(a*b)# Example 2c=[2.02.02.0]print(a*c)
Output:
[ 2. 4. 6.] [ 2. 4. 6.]
We can think of the scalar b being stretched during the arithmetic operation into an array with the same shape as a. The new elements in b as shown in above figure are simply copies of the original scalar. Although the stretching analogy is only conceptual. Numpy is smart enough to use the original scalar value without actually making copies so that broadcasting operations are as memory and computationally efficient as possible. Because Example 1 moves less memory (b is a scalar not an array) around during the multiplication it is about 10% faster than Example 2 using the standard numpy on Windows 2000 with one million element arrays! The figure below makes the concept more clear: In above example the scalar b is stretched to become an array of with the same shape as a so the shapes are compatible for element-by-element multiplication. Now let us see an example where both arrays get stretched. Python
W niektórych przypadkach rozgłaszanie rozciąga obie tablice, tworząc tablicę wyjściową większą niż którakolwiek z tablic początkowych.
Praca z datą i godziną:
Numpy has core array data types which natively support datetime functionality. The data type is called datetime64 so named because datetime is already taken by the datetime library included in Python. Consider the example below for some examples: Python
importnumpyasnp# creating a datetoday=np.datetime64('2017-02-12')print('Date is:'today)print('Year is:'np.datetime64(today'Y'))# creating array of dates in a monthdates=np.arange('2017-02''2017-03'dtype='datetime64[D]')print('nDates of February 2017:n'dates)print('Today is February:'todayindates)# arithmetic operation on datesdur=np.datetime64('2017-05-22')-np.datetime64('2016-05-22')print('nNo. of days:'dur)print('No. of weeks:'np.timedelta64(dur'W'))# sorting datesa=np.array(['2017-02-12''2016-10-13''2019-05-22']dtype='datetime64')print('nDates in sorted order:'np.sort(a))
Output:
Date is: 2017-02-12 Year is: 2017 Dates of February 2017: ['2017-02-01' '2017-02-02' '2017-02-03' '2017-02-04' '2017-02-05' '2017-02-06' '2017-02-07' '2017-02-08' '2017-02-09' '2017-02-10' '2017-02-11' '2017-02-12' '2017-02-13' '2017-02-14' '2017-02-15' '2017-02-16' '2017-02-17' '2017-02-18' '2017-02-19' '2017-02-20' '2017-02-21' '2017-02-22' '2017-02-23' '2017-02-24' '2017-02-25' '2017-02-26' '2017-02-27' '2017-02-28'] Today is February: True No. of days: 365 days No. of weeks: 52 weeks Dates in sorted order: ['2016-10-13' '2017-02-12' '2019-05-22']
Algebra liniowa w NumPy:
Moduł Algebra Liniowa NumPy oferuje różne metody stosowania algebry liniowej na dowolnej tablicy numpy. Możesz znaleźć:
ślad wyznaczający rangę itp. tablicy.
własne wartości lub macierze
iloczyny macierzy i wektorów (iloczyn zewnętrzny kropki itp.) potęgowanie macierzy
rozwiązuj równania liniowe lub tensorowe i wiele więcej!
Consider the example below which explains how we can use NumPy to do some matrix operations. Python
importnumpyasnpA=np.array([[611][4-25][287]])print('Rank of A:'np.linalg.matrix_rank(A))print('nTrace of A:'np.trace(A))print('nDeterminant of A:'np.linalg.det(A))print('nInverse of A:n'np.linalg.inv(A))print('nMatrix A raised to power 3:n'np.linalg.matrix_power(A3))
Output:
Rank of A: 3 Trace of A: 11 Determinant of A: -306.0 Inverse of A: [[ 0.17647059 -0.00326797 -0.02287582] [ 0.05882353 -0.13071895 0.08496732] [-0.11764706 0.1503268 0.05228758]] Matrix A raised to power 3: [[336 162 228] [406 162 469] [698 702 905]]
Let us assume that we want to solve this linear equation set:
x + 2*y = 8 3*x + 4*y = 18
This problem can be solved using linalg.solve method as shown in example below: Python
importnumpyasnp# coefficientsa=np.array([[12][34]])# constantsb=np.array([818])print('Solution of linear equations:'np.linalg.solve(ab))
Output:
Solution of linear equations: [ 2. 3.]
Finally we see an example which shows how one can perform linear regression using least squares method. A linear regression line is of the form w1 x + w 2 = y i jest to linia minimalizująca sumę kwadratów odległości od każdego punktu danych do linii. Zatem mając n par danych (xi yi), szukamy parametrów w1 i w2, które minimalizują błąd: Let us have a look at the example below: Python
importnumpyasnpimportmatplotlib.pyplotasplt# x co-ordinatesx=np.arange(09)A=np.array([xnp.ones(9)])# linearly generated sequencey=[192020.521.522232325.524]# obtaining the parameters of regression linew=np.linalg.lstsq(A.Ty)[0]# plotting the lineline=w[0]*x+w[1]# regression lineplt.plot(xline'r-')plt.plot(xy'o')plt.show()
Output: Prowadzi to do zakończenia tej serii samouczków NumPy. NumPy jest powszechnie używaną biblioteką ogólnego przeznaczenia, która stanowi rdzeń wielu innych bibliotek obliczeniowych, takich jak scipy scikit-learn tensorflow matplotlib opencv itp. Podstawowa znajomość NumPy pomaga w efektywnym radzeniu sobie z innymi bibliotekami wyższego poziomu! Referencje:
In above example the scalar b is stretched to become an array of with the same shape as a so the shapes are compatible for element-by-element multiplication. Now let us see an example where both arrays get stretched. Python 
W niektórych przypadkach rozgłaszanie rozciąga obie tablice, tworząc tablicę wyjściową większą niż którakolwiek z tablic początkowych. 
Let us have a look at the example below: Python 
Prowadzi to do zakończenia tej serii samouczków NumPy. NumPy jest powszechnie używaną biblioteką ogólnego przeznaczenia, która stanowi rdzeń wielu innych bibliotek obliczeniowych, takich jak scipy scikit-learn tensorflow matplotlib opencv itp. Podstawowa znajomość NumPy pomaga w efektywnym radzeniu sobie z innymi bibliotekami wyższego poziomu! Referencje: